---
title: "上下文學習（In-context Learning）"
slug: in-context-learning
language: zh-TW
source: https://aiterms.tw/terms/in-context-learning
updated_at: 2026-04-29
tags: [大型語言模型, 自然語言處理, 機器學習, Prompt工程, 模型訓練, AI基礎]
ipas_term: false
---

# 上下文學習（In-context Learning）

> **你有沒有只給 AI 幾個例子，它就突然知道怎麼做新任務？**
>
> 你可以把上下文學習想成模型在提示裡現場學規則。
> 它不用先改權重，只靠你放進去的範例和說明，就能臨時適應新任務。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **上下文學習 vs 微調**
> 上下文學習不改模型權重
> 微調會用新資料更新權重
> 最關鍵的區別是現場學，還是重新訓練一部分模型
>
> **上下文學習 vs 少樣本學習**
> 少樣本學習是更大的概念
> 上下文學習是大型語言模型常見的做法之一
> 最關鍵的區別是整體目標，還是具體機制
>
### 記住這句就好

> 不改權重，直接看範例學。

### 實際案例

> **格式轉換**
> 你只要在提示裡給幾個輸入輸出對，模型就能照著把資料改成你要的格式。
>
> **臨時分類**
> 今天要把留言分成正向、負向和中立，明天換標準時，只要改提示範例就能重做。
>
### 深入了解

> 上下文學習很吃提示品質和範例選擇，範例越貼近任務，效果通常越好。
> 它也受上下文窗口限制，所以能放進去的示例數量不是無限的。

### 情境判斷

> **Q1：** 你不想重新訓練模型，只想臨時教它新格式，會先想到什麼？
> → 上下文學習。
>
> **Q2：** 任務很固定、長期都要同一種輸出，還只靠提示範例嗎？
> → 看情況，這時微調可能更穩定。
>
### 常見問題

> **Q：上下文學習最大的優點是什麼？**
> 不用改模型就能快速適應新任務。
>
> **Q：它有什麼限制？**
> 對提示很敏感，而且受上下文長度限制。
>
> **Q：怎麼提高效果？**
> 選對範例、把任務說清楚、讓輸出格式固定。
>
### 相關術語

> - **大型語言模型**：上下文學習幾乎都是在這類模型上討論
> - **少樣本學習**：先看大概念，再看上下文學習這個具體做法
> - **提示工程**：要讓上下文學習有效，提示設計很重要
> - **思維鏈提示**：有時會和上下文學習一起提高複雜任務表現
> - **基礎模型**：上下文學習是基礎模型能力的一部分

---

來源：https://aiterms.tw/terms/in-context-learning
快查頁：https://aiterms.tw/terms/in-context-learning
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-in-context-learning